論文の概要: Extracting COVID-19 Diagnoses and Symptoms From Clinical Text: A New
Annotated Corpus and Neural Event Extraction Framework
- arxiv url: http://arxiv.org/abs/2012.00974v2
- Date: Wed, 10 Mar 2021 21:36:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-25 04:13:07.502999
- Title: Extracting COVID-19 Diagnoses and Symptoms From Clinical Text: A New
Annotated Corpus and Neural Event Extraction Framework
- Title（参考訳）: 臨床テキストからのcovid-19診断と症状の抽出--新しい注釈付きコーパスと神経イベント抽出フレームワーク
- Authors: Kevin Lybarger, Mari Ostendorf, Matthew Thompson, Meliha Yetisgen
- Abstract要約: 本研究は、COVID-19 Annotated Clinical Text (CACT) Corpusと呼ばれる新しい臨床コーパスを提示する。
新型コロナウイルスの診断、検査、臨床プレゼンテーションを特徴付ける詳細な注釈付き1,472枚のノートで構成されている。
本研究では,すべての注釈付き事象を共同抽出するイベント抽出モデルを提案する。
二次的応用として、構造化された患者データを用いて新型コロナウイルス検査結果の予測を行い、自動的に症状情報を抽出した。
- 参考スコア（独自算出の注目度）: 14.226438210255676
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Coronavirus disease 2019 (COVID-19) is a global pandemic. Although much has
been learned about the novel coronavirus since its emergence, there are many
open questions related to tracking its spread, describing symptomology,
predicting the severity of infection, and forecasting healthcare utilization.
Free-text clinical notes contain critical information for resolving these
questions. Data-driven, automatic information extraction models are needed to
use this text-encoded information in large-scale studies. This work presents a
new clinical corpus, referred to as the COVID-19 Annotated Clinical Text (CACT)
Corpus, which comprises 1,472 notes with detailed annotations characterizing
COVID-19 diagnoses, testing, and clinical presentation. We introduce a
span-based event extraction model that jointly extracts all annotated
phenomena, achieving high performance in identifying COVID-19 and symptom
events with associated assertion values (0.83-0.97 F1 for events and 0.73-0.79
F1 for assertions). In a secondary use application, we explored the prediction
of COVID-19 test results using structured patient data (e.g. vital signs and
laboratory results) and automatically extracted symptom information. The
automatically extracted symptoms improve prediction performance, beyond
structured data alone.
- Abstract（参考訳）: コロナウイルス病2019(COVID-19)は世界的なパンデミックである。
新型コロナウイルスの発生以来、多くのことが学んできたが、感染拡大の追跡、症状の記述、感染の深刻さの予測、医療利用の予測など、多くの疑問がある。
フリーテキスト臨床ノートにはこれらの疑問を解決するための重要な情報が含まれている。
データ駆動、自動情報抽出モデルは、このテキストエンコードされた情報を大規模研究に利用するために必要である。
本研究は、covid-19 annotated clinical text(cact)コーパスと呼ばれる新しい臨床コーパスを提示し、covid-19の診断、テスト、臨床プレゼンテーションを特徴付ける詳細な注釈を含む1,472のノートからなる。
本研究では,すべてのアノテート現象を共同抽出し,関連するアサーション値(0.83-0.97 F1,アサーション0.73-0.79 F1)を用いて,COVID-19および症状事象の同定に高い性能を発揮するスパンベースのイベント抽出モデルを提案する。
二次利用アプリケーションでは、構造化患者データ(例えば、患者データ)を用いて、新型コロナウイルス検査結果の予測について検討した。
バイタルサインと検査結果) 自動的に症状情報を抽出する。
自動抽出された症状は、構造化データだけでなく予測性能を向上させる。
関連論文リスト
- Domain Adaptation Using Pseudo Labels for COVID-19 Detection [19.844531606142496]
ドメイン適応のために擬似ラベルを利用する2段階のフレームワークを提案する。
あるドメインからのアノテートデータと別のドメインからの非アノテートデータを利用することで、モデルはデータの不足と可変性の課題を克服する。
COV19-CT-DBデータベースの実験結果は、高い診断精度を達成するためのモデルの可能性を示している。
論文 参考訳（メタデータ） (2024-03-18T06:07:45Z) - The pitfalls of using open data to develop deep learning solutions for
COVID-19 detection in chest X-rays [64.02097860085202]
深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。
オープンソースデータのトレーニングやテストでは,結果は異例です。
データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
論文 参考訳（メタデータ） (2021-09-14T10:59:11Z) - Clinical Utility of the Automatic Phenotype Annotation in Unstructured
Clinical Notes: ICU Use Cases [11.22817749252584]
本研究は,集中治療室における結果を予測するための重要な情報を取得する方法として,臨床ノートから表現型の自動アノテーションを提案する。
In-hospital death,physiological decompensation and length of stay in the ICU set。
論文 参考訳（メタデータ） (2021-07-24T17:55:55Z) - COVIDx-US -- An open-access benchmark dataset of ultrasound imaging data
for AI-driven COVID-19 analytics [116.6248556979572]
COVIDx-USは、新型コロナウイルス関連超音波画像データのオープンアクセスベンチマークデータセットです。
肺超音波93本と,SARS-CoV-2肺炎,非SARS-CoV-2肺炎,健康管理症例10,774本からなる。
論文 参考訳（メタデータ） (2021-03-18T03:31:33Z) - HINT: Hierarchical Interaction Network for Trial Outcome Prediction
Leveraging Web Data [56.53715632642495]
臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。
本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
論文 参考訳（メタデータ） (2021-02-08T15:09:07Z) - Improving Clinical Document Understanding on COVID-19 Research with
Spark NLP [0.0]
世界的な新型コロナウイルスのパンデミックの後、ウイルスを研究する科学論文の数は大幅に増加しました。
これまでの取り組みを3つの方法で改善する臨床テキストマイニングシステムを紹介します。
まず、健康、解剖学、リスクファクター、有害事象の社会的決定要因を含む100以上の異なるエンティティタイプを認識することができます。
第2に、テキスト処理パイプラインは、アサーション状態検出を含み、患者以外の誰かの存在、欠如、条件付き、または、患者に関する臨床事実を区別する。
論文 参考訳（メタデータ） (2020-12-07T19:17:05Z) - Classification supporting COVID-19 diagnostics based on patient survey
data [82.41449972618423]
新型コロナウイルス患者の効果的なスクリーニングを可能にするロジスティック回帰とXGBoost分類器が作成された。
得られた分類モデルは、DECODEサービス(decode.polsl.pl)の基礎を提供し、COVID-19病患者のスクリーニング支援に役立てることができる。
このデータセットは、3,000以上のサンプルで構成されており、ポーランドの病院で収集されたアンケートに基づいている。
論文 参考訳（メタデータ） (2020-11-24T17:44:01Z) - An efficient representation of chronological events in medical texts [9.118144540451514]
臨床ノートで利用可能な時系列イベントから学習するための体系的手法を提案した。
提案手法は,任意の種類の逐次イベントの非パラメトリック階層表現を生成する。
この手法は、英国で最大の中等医療精神保健 EHR データを用いて開発され、外部で検証された。
論文 参考訳（メタデータ） (2020-10-16T14:54:29Z) - Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。
また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文 参考訳（メタデータ） (2020-07-20T19:08:50Z) - COVID-19 SignSym: a fast adaptation of a general clinical NLP tool to
identify and normalize COVID-19 signs and symptoms to OMOP common data model [15.475106287218727]
本研究では、CLAMP自然言語処理ツールを用いて、COVID-19 SignSymを構築することを目的とする。
COVID-19 SignSymは、臨床テキストから新型コロナウイルスの徴候/症状と8つの属性を抽出できる。
深層学習モデル、キュレートされたレキシコン、パターンベースのルールを組み合わせたハイブリッドアプローチが、COVID-19 SignSymの構築に応用された。
論文 参考訳（メタデータ） (2020-07-13T15:57:26Z) - Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent
Multi-View Representation Learning [48.05232274463484]
最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。
多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。
本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
論文 参考訳（メタデータ） (2020-05-06T15:19:15Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。